CN110371112B - 一种自动驾驶车辆的智能避障***及方法 - Google Patents
一种自动驾驶车辆的智能避障***及方法 Download PDFInfo
- Publication number
- CN110371112B CN110371112B CN201910607149.9A CN201910607149A CN110371112B CN 110371112 B CN110371112 B CN 110371112B CN 201910607149 A CN201910607149 A CN 201910607149A CN 110371112 B CN110371112 B CN 110371112B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- track
- automatic driving
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 101150036841 minJ gene Proteins 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
一种自动驾驶车辆的智能避障***及方法，属于自动驾驶领域。现有的码头场景下的自动导引车辆并不能实现完全的自主避障，运输效率不高。本发明在自动驾驶车辆上安装障碍物检测装置、障碍物轨迹预测子***、车辆决策子***，数据集采集装置，障碍物检测装置检测的障碍物车辆坐标传入到数据集采集装置训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；由车辆决策子***根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，根据车辆的未来轨迹可能出现的位置进行标定，并绕过标定位置。本发明能够对障碍物车辆进行效果更好的避障的。减少自动驾驶车辆间的碰撞概率，增加码头场景下自动驾驶车辆的通行效率。
Description
技术领域
本发明涉及一种自动驾驶车辆的智能避障***及方法。
背景技术
随着人类社会的发展，车辆已经成了人类生产生活中重要的运输工具，车辆极大的加快了社会发展。最近几年，随着人工智能技术和传感器技术的发展，自动驾驶技术日趋成熟，越来越向着商业化发展。但是由于技术和传感器的限制，要实现完全不通过人的全自动驾驶到目前为止基本不可能实现。实际上，要实现所谓的自动驾驶有望在封闭、半封闭的场景率先实现。码头环境属于封闭、半封闭场景，应用自动驾驶技术的导引车相比于人力驾驶可以实现较高的效率，并且可以降低成本。但目前码头场景下的自动导引车并不能实现完全的自主避障，存在着运输效率不高的情况。
发明内容
本发明的目的是为了解决现有的码头场景下的自动导引车辆并不能实现完全的自主避障，存在着运输效率不高的问题，而提出一种自动驾驶车辆的智能避障***及方法。
一种自动驾驶车辆的智能避障***，其组成包括：安装在自动驾驶车辆上的障碍物检测装置、障碍物轨迹预测子***、车辆决策子***，数据集采集装置；
障碍物检测装置，用于探测其他自动驾驶车辆，将探测到的自动驾驶车辆作为障碍物，并将探测到的数据进行处理，得到障碍物车辆相对于传感器的坐标；
数据集采集装置，用于采集障碍物车辆行驶轨迹的信息，并将车辆在码头场景下运行的轨迹做记录并存储；将采集到的车辆轨迹作为轨迹预测算法的训练集，训练若干次，将训练好的障碍物轨迹预测算法模型保存；
障碍物轨迹预测子***，用于将障碍物检测装置检测的障碍物车辆坐标传入到数据集采集装置训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；
车辆决策子***，用于根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，根据车辆的未来轨迹可能出现的位置进行标定，并绕过这个可能被占用的位置。
一种自动驾驶车辆的智能避障方法，所述方法包括以下步骤：
步骤一、采集数据：
应用数据集采集装置的各传感器获取障碍物车辆行驶过程中，障碍物在码头场景下相对于采集工作车辆的左右偏移x和前后偏移y的行驶轨迹信息，将获得的障碍物轨迹数据进行存储；
步骤二、向神经网络的池化层
输入数据进行处理，其中，
为函数，W为权重；
步骤三、将池化层处理之后的数据传入循环神经网络中，
步骤四、再次进入池化层处理，处理公式为：
步骤五、将传入的数据转变为二维正态分布参数的形式：
步骤六、设置损失函数，损失函数为
用优化算法最小化损失函数；
步骤七、进行循环神经网络的训练：
对循环神经网络的参数进行优化，保存训练结果；
步骤八、使用训练好的循环神经网络进行轨迹预测，根据避障原理，将预测的行驶轨迹加入到轨迹规划中，具体为：
1)、在计算机存储单元上运行轨迹预测算法；
2)、加载步骤七训练好的训练结果，然后通过传感器输入数据到训练好的循环神经网络，中间经历的池化层和训练过程中的公式和原理同上，即：
3)、通过二维正态分布输出预测的新轨迹为
表示为：
其中，步骤一数据集采集方法具体为：
进行数据采集的车辆装有视觉传感器和激光传感器，应用目标检测算法识别车辆并对车辆进行跟踪；由司机驾驶车辆在码头以20-60km/h的速度匀速行驶，经过若干小时后，传感器获取到车辆一系列时间的轨迹数据，保存以供轨迹预测算法使用。
本发明的有益效果为：
本发明通过在自动驾驶车辆上安装障碍物检测装置、障碍物轨迹预测子***、车辆决策子***，数据集采集装置，障碍物检测装置检测的障碍物车辆坐标传入到数据集采集装置训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；再由车辆决策子***根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，决策算法根据车辆的未来轨迹可能出现的位置进行标定，并绕过这个可能被占用的位置。本发明的设计，是能够对障碍物车辆进行效果更好的避障的。该***可以减少自动驾驶车辆间的碰撞概率，增加码头场景下自动驾驶车辆的通行效率。
附图说明
图1为本发明涉及的自动驾驶车辆的智能避障***原理框图；
图2为本发明涉及的自动驾驶车辆的智能避障方法流程图；
图3为本发明涉及的避障原理图；
图4为本发明涉及的轨迹预测算法流程图。
具体实施方式
具体实施方式一：
本实施方式的一种自动驾驶车辆的智能避障***，如图1所示，其组成包括：安装在自动驾驶车辆上的障碍物检测装置1、障碍物轨迹预测子***2、车辆决策子***3，数据集采集装置4；
障碍物检测装置1，用于探测其他自动驾驶车辆，将探测到的自动驾驶车辆作为障碍物，并将探测到的数据进行处理，得到障碍物车辆相对于传感器的坐标；
数据集采集装置4，用于采集障碍物车辆行驶轨迹的信息，并将车辆在码头场景下运行的轨迹做记录并存储；将采集到的车辆轨迹作为轨迹预测算法的训练集，训练若干次，将训练好的障碍物轨迹预测算法模型保存；(采集其他障碍物车辆的行驶轨迹的信息，目的是将其他障碍物车辆的轨迹信息传入到神经网络中，然后神经网络会输出其他车辆的未来轨迹)
障碍物轨迹预测子***2，用于将障碍物检测装置1检测的障碍物车辆坐标传入到数据集采集装置4训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；
车辆决策子***3，用于根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，决策算法根据车辆的未来轨迹可能出现的位置进行标定，并绕过这个可能被占用的位置。
具体实施方式二：
本实施方式的一种自动驾驶车辆的智能避障***，所述的障碍物检测装置1通过视觉传感器和激光雷达传感器实现；
所述的视觉传感器通过目标检测方法检测出车辆，
所述的激光雷达传感器探测出障碍物的具***置；
利用激光雷达传感器和视觉传感器融合的结果，获取障碍物是否为车辆，并且获取障碍物车辆相对于传感器的相对位置坐标。
具体实施方式三：
本实施方式的一种自动驾驶车辆的智能避障***，所述的数据集采集装置4，通过激光传感器和视觉传感器实现，是将激光传感器和视觉传感器安装在普通车辆上，由司机驾驶普通车辆在码头环境下采集其他车辆的行驶信息。
具体实施方式四：
本实施方式的一种自动驾驶车辆的智能避障***，障碍物轨迹预测子***2应用循环神经网络(RNN)，将采集到的训练集传入循环神经网络训练，训练完成之后传入新的轨迹信息，利用轨迹预测算法通过这个新的轨迹信息预测出未来的轨迹信息。
具体实施方式五：
本实施方式的一种自动驾驶车辆的智能避障***，车辆决策子***3根据预测出的自动驾驶车辆未来可能出现的位置，通过决策算法将此处位置标记为占用，在进行轨迹规划时绕过这个占用的位置。
具体实施方式六：
本实施方式的一种自动驾驶车辆的智能避障方法，如图2所示，所述方法包括以下步骤：
步骤一、采集数据：
应用数据集采集装置的各传感器获取障碍物车辆行驶过程中，障碍物在码头场景下相对于采集工作车辆的左右偏移x和前后偏移y的行驶轨迹信息，将获得的障碍物轨迹数据进行存储；
步骤二、向神经网络的池化层
输入数据进行处理，其中，
为函数，W为权重；
步骤三、将池化层处理之后的数据传入循环神经网络中，循环神经网络公式为
步骤四、再次进入池化层处理，处理公式和步骤二类似，为：
步骤五、将传入的数据转变为二维正态分布参数的形式：
步骤六、设置损失函数，损失函数为
用优化算法最小化损失函数；
步骤七、进行循环神经网络的训练：
对循环神经网络的参数进行优化，保存训练结果；
步骤八、使用训练好的循环神经网络进行轨迹预测，根据避障原理，将预测的行驶轨迹加入到轨迹规划中，具体为：
1)、在计算机存储单元上运行轨迹预测算法；
2)、加载步骤七训练好的训练结果，然后通过传感器输入数据到训练好的循环神经网络，中间经历的池化层和训练过程中的公式和原理同上，即：
3)、通过二维正态分布输出预测的新轨迹为
公式表示为：
其中，步骤一数据集采集方法具体为：
进行数据采集的车辆装有视觉传感器和激光传感器，应用目标检测算法识别车辆并对车辆进行跟踪；由司机驾驶车辆在码头以20-60km/h的速度匀速行驶，经过若干小时后，传感器获取到车辆一系列时间的轨迹数据，保存以供轨迹预测算法使用。
具体实施方式七：
本实施方式的一种自动驾驶车辆的智能避障方法，步骤八所述的根据避障原理，将预测的行驶轨迹加入到轨迹规划中具体为，如图3所示，两辆车相向行驶，以当前车辆为主要研究对象，障碍物车辆朝向当前车辆所在的方向行驶，此时当前车辆的障碍物检测装置会检测到障碍物车辆，障碍物轨迹预测子***通过观测到障碍物车辆的行走趋势预测出障碍物车辆未来可能出现的位置，将预测出来的位置标记为图中虚线框住的长方形，车辆决策子***判断出障碍物车辆可能出现的位置进行相应避障，重新生成的新轨迹为图中曲线所示；其中，在默认情况下，车辆生成的新轨迹在当前车辆运行轨迹的右侧；且生成的新轨迹必须满足实际地图的限制，轨迹不能在不可行驶的区域，需满足车辆轨迹的行驶限制条件，在可行驶的区域内。
具体实施方式八：
本实施方式的一种自动驾驶车辆的智能避障方法，所述的满足车辆轨迹的行驶限制条件，是通过验证过程实现的，具体为：
步骤1、将可能影响车辆轨迹的限制条件转化为数学条件，比如可能涉及到的限制条件包括有：速度限制、加速度限制、转弯时的方向限制、车辆与障碍物的距离限制等，转换之后的数学公式为：j1(x),j2(x),j3(x)…；
步骤2、对不同的限制分别取不同的权重a1,a2,a3…，以满足车辆在不同情况的决策需求；
步骤3、将轨迹问题转化为优化函数的问题：x*＝argminJ(x)；其中，J(x)为先通过将各限制条件与各对应权重相乘，再将各乘机结果相加的结果；
步骤4、求解优化函数的最小值，即得到当前最优的路径。
具体实施方式九：
本实施方式的一种自动驾驶车辆的智能避障方法，所述的轨迹预测方法的核心为利用循环神经网络，循环神经网络可以较好的处理序列问题，而车辆轨迹数据可以方便的转化为序列问题。如图4所示包括两个流程图分别展示了神经网络的训练过程和预测过程；当轨迹预测算法执行训练过程之后就可以生成训练好的模型，在神经网络预测过程中，输入障碍物车辆的轨迹，应用之前训练好的模型就可以得到车辆的未来轨迹。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种自动驾驶车辆的智能避障方法，其是基于一种自动驾驶车辆的智能避障***进行的智能避障方法，一种自动驾驶车辆的智能避障***的组成包括：安装在自动驾驶车辆上的障碍物检测装置、障碍物轨迹预测子***、车辆决策子***，数据集采集装置；
障碍物检测装置，用于探测其他自动驾驶车辆，将探测到的自动驾驶车辆作为障碍物，并将探测到的数据进行处理，得到障碍物车辆相对于传感器的坐标；
数据集采集装置，用于采集障碍物车辆行驶轨迹的信息，并将车辆在码头场景下运行的轨迹做记录并存储；将采集到的车辆轨迹作为轨迹预测算法的训练集，训练若干次，将训练好的障碍物轨迹预测算法模型保存；
障碍物轨迹预测子***，用于将障碍物检测装置检测的障碍物车辆坐标传入到数据集采集装置训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；
车辆决策子***，用于根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，根据车辆的未来轨迹可能出现的位置进行标定，并绕过这个可能被占用的位置；
所述的障碍物检测装置通过视觉传感器和激光雷达传感器实现；
所述的视觉传感器通过目标检测方法检测出车辆，
所述的激光雷达传感器探测出障碍物的具***置；
利用激光雷达传感器和视觉传感器融合的结果，获取障碍物是否为车辆，并且获取障碍物车辆相对于传感器的相对位置坐标；
所述的数据集采集装置，通过激光传感器和视觉传感器实现，是将激光传感器和视觉传感器安装在普通车辆上，由司机驾驶普通车辆在码头环境下采集其他车辆的行驶信息；障碍物轨迹预测子***应用循环神经网络，将采集到的训练集传入循环神经网络训练，训练完成之后传入新的轨迹信息，利用轨迹预测算法通过这个新的轨迹信息预测出未来的轨迹信息；
车辆决策子***根据预测出的自动驾驶车辆未来可能出现的位置，通过决策算法将此处位置标记为占用，在进行轨迹规划时绕过这个占用的位置；
其特征在于：所述一种自动驾驶车辆的智能避障方法的步骤包括：
步骤一、采集数据：
应用数据集采集装置的各传感器获取障碍物车辆行驶过程中，障碍物在码头场景下相对于采集工作车辆的左右偏移x和前后偏移y的行驶轨迹信息，将获得的障碍物轨迹数据进行存储；
步骤二、向神经网络的池化层
输入数据进行处理，其中，
为函数，W为权重；
步骤三、将池化层处理之后的数据传入循环神经网络中，循环神经网络公式为
步骤四、再次进入池化层处理，处理公式为：
步骤五、将传入的数据转变为二维正态分布参数的形式：
步骤六、设置损失函数，损失函数为
用优化算法最小化损失函数；
步骤七、进行循环神经网络的训练：
对循环神经网络的参数进行优化，保存训练结果；
步骤八、使用训练好的循环神经网络进行轨迹预测，根据避障原理，将预测的行驶轨迹加入到轨迹规划中，具体为：
1)、在计算机存储单元上运行轨迹预测算法；
2)、加载步骤七训练好的训练结果，然后通过传感器输入数据到训练好的循环神经网络，中间经历的池化层和训练过程中的公式和原理同上，即：
3)、通过二维正态分布输出预测的新轨迹为
公式表示为：
其中，步骤一数据集采集方法具体为：
进行数据采集的车辆装有视觉传感器和激光传感器，应用目标检测算法识别车辆并对车辆进行跟踪；由司机驾驶车辆在码头以20-60km/h的速度匀速行驶，经过若干小时后，传感器获取到车辆一系列时间的轨迹数据，保存以供轨迹预测算法使用；
步骤八所述的根据避障原理，将预测的行驶轨迹加入到轨迹规划中具体为，两辆车相向行驶，以当前车辆为主要研究对象，障碍物车辆朝向当前车辆所在的方向行驶，此时当前车辆的障碍物检测装置会检测到障碍物车辆，障碍物轨迹预测子***通过观测到障碍物车辆的行走趋势预测出障碍物车辆未来可能出现的位置，将预测出来的位置标记，车辆决策子***判断出障碍物车辆可能出现的位置进行相应避障，重新生成新轨迹，在默认情况下，车辆生成的新轨迹在当前车辆运行轨迹的右侧；且生成的新轨迹必须满足实际地图的限制，需满足车辆轨迹的行驶限制条件，在可行驶的区域内；
所述的满足车辆轨迹的行驶限制条件，是通过验证过程实现的，具体为：
步骤1、将可能影响车辆轨迹的限制条件转化为数学条件，限制条件包括有：速度限制、加速度限制、转弯时的方向限制、车辆与障碍物的距离限制，转换之后的数学公式为：j1(x),j2(x),j3(x)…；
步骤2、对不同的限制分别取不同的权重a1,a2,a3…，以满足车辆在不同情况的决策需求；
步骤3、将轨迹转化为优化函数：x*＝arg minJ(x)；其中，J(x)为先通过将各限制条件与各对应权重相乘，再将各乘机结果相加；
步骤4、求解优化函数的最小值，即得到当前最优的路径。
2.根据权利要求1所述的一种自动驾驶车辆的智能避障方法，其特征在于：所述的轨迹预测方法利用循环神经网络，包括神经网络的训练过程和预测过程；当轨迹预测算法执行训练过程之后生成训练好的模型，在神经网络预测过程中，输入障碍物车辆的轨迹，应用训练好的模型得到车辆的未来轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910607149.9A CN110371112B (zh) | 2019-07-06 | 2019-07-06 | 一种自动驾驶车辆的智能避障***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910607149.9A CN110371112B (zh) | 2019-07-06 | 2019-07-06 | 一种自动驾驶车辆的智能避障***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110371112A CN110371112A (zh) | 2019-10-25 |
| CN110371112B true CN110371112B (zh) | 2021-10-01 |
Family
ID=68252151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910607149.9A Active CN110371112B (zh) | 2019-07-06 | 2019-07-06 | 一种自动驾驶车辆的智能避障***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110371112B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110926425A (zh) * | 2019-11-01 | 2020-03-27 | 宁波大学 | 一种3d结构光相机的导航物流运输***及其控制方法 |
| CN111192327B (zh) * | 2020-01-03 | 2023-09-29 | 北京百度网讯科技有限公司 | 用于确定障碍物朝向的方法和装置 |
| CN110989636B (zh) * | 2020-02-26 | 2020-08-07 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN111062372B (zh) * | 2020-03-13 | 2020-07-03 | 北京三快在线科技有限公司 | 一种预测障碍物轨迹的方法及装置 |
| CN111079721B (zh) * | 2020-03-23 | 2020-07-03 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN111626097A (zh) * | 2020-04-09 | 2020-09-04 | 吉利汽车研究院（宁波）有限公司 | 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质 |
| CN111522245B (zh) * | 2020-06-23 | 2020-11-03 | 北京三快在线科技有限公司 | 用于控制无人设备的方法及装置 |
| CN111572562A (zh) * | 2020-07-03 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 自动驾驶方法、装置、设备、***、车辆和计算机可读存储介质 |
| CN111563489A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、装置以及计算机存储介质 |
| CN113968216B (zh) * | 2020-07-25 | 2023-11-17 | 华为技术有限公司 | 一种车辆碰撞检测方法、装置及计算机可读存储介质 |
| CN111982143B (zh) * | 2020-08-11 | 2024-01-19 | 北京汽车研究总院有限公司 | 车辆及车辆路径规划方法、装置 |
| CN111951552B (zh) * | 2020-08-11 | 2021-10-15 | 腾讯科技（深圳）有限公司 | 一种自动驾驶中风险管理的方法以及相关装置 |
| CN112208523A (zh) * | 2020-10-10 | 2021-01-12 | 北京理工大学 | 一种用于车辆碰撞预警***最小碰撞时间估算的方法 |
| CN112651557A (zh) * | 2020-12-25 | 2021-04-13 | 际络科技(上海)有限公司 | 轨迹预测***及方法、电子设备及可读存储介质 |
| CN112348293A (zh) * | 2021-01-07 | 2021-02-09 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN112977438A (zh) * | 2021-03-11 | 2021-06-18 | 钧捷智能（深圳）有限公司 | 基于视觉识别的策略选取方法、装置、电子设备及存储介质 |
| CN113071517B (zh) * | 2021-04-12 | 2022-05-13 | 南京航空航天大学 | 一种基于车辆行为预测的自动驾驶避障方法及*** |
| CN115246416B (zh) * | 2021-05-13 | 2023-09-26 | 上海仙途智能科技有限公司 | 轨迹预测方法、装置、设备及计算机可读存储介质 |
| CN113325855B (zh) * | 2021-08-02 | 2021-11-30 | 北京三快在线科技有限公司 | 基于迁移场景用于预测障碍物轨迹的模型训练方法 |
| CN113753077A (zh) * | 2021-08-17 | 2021-12-07 | 北京百度网讯科技有限公司 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
| CN113469159B (zh) * | 2021-09-06 | 2021-12-07 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
| CN114162114B (zh) * | 2021-12-07 | 2024-03-29 | 上海伯镭智能科技有限公司 | 一种汽车无人驾驶用事故应急迫停控制方法 |
| CN115230740B (zh) * | 2022-08-19 | 2023-05-09 | 创辉达设计股份有限公司 | 一种基于iot与l4自动驾驶的智慧交安方法及*** |
| CN115257727B (zh) * | 2022-09-27 | 2022-12-23 | 禾多科技（北京）有限公司 | 障碍物信息融合方法、装置、电子设备和计算机可读介质 |
| CN115540894B (zh) * | 2022-12-02 | 2023-03-07 | 广汽埃安新能源汽车股份有限公司 | 车辆轨迹规划方法、装置、电子设备和计算机可读介质 |
| CN116309689B (zh) * | 2023-05-17 | 2023-07-28 | 上海木蚁机器人科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359229A (zh) * | 2008-08-18 | 2009-02-04 | 浙江大学 | 一种基于障碍物运动预测的移动机器人避障方法 |
| CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易（北京）科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、*** |
| CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术（北京）有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
| CN109969172A (zh) * | 2017-12-26 | 2019-07-05 | 华为技术有限公司 | 车辆控制方法、设备及计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10782693B2 (en) * | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
-
2019
- 2019-07-06 CN CN201910607149.9A patent/CN110371112B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359229A (zh) * | 2008-08-18 | 2009-02-04 | 浙江大学 | 一种基于障碍物运动预测的移动机器人避障方法 |
| CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易（北京）科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、*** |
| CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术（北京）有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
| CN109969172A (zh) * | 2017-12-26 | 2019-07-05 | 华为技术有限公司 | 车辆控制方法、设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110371112A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110371112B (zh) | 一种自动驾驶车辆的智能避障***及方法 | |
| CN109278752B (zh) | 基于合作感知的插电式混合动力汽车能量优化控制方法 | |
| CN110924340B (zh) | 一种用于智能捡垃圾的移动机器人***与实现方法 | |
| US11794757B2 (en) | Systems and methods for prediction windows for optimal powertrain control | |
| CN113911129B (zh) | 一种基于驾驶行为生成机制的交通车意图识别方法 | |
| CN114384920A (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
| CN107697070A (zh) | 驾驶行为预测方法和装置、无人车 | |
| US20210276598A1 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
| US20220156576A1 (en) | Methods and systems for predicting dynamic object behavior | |
| CN112298194B (zh) | 一种车辆的换道控制方法及装置 | |
| CN116540731B (zh) | 融合堆叠lstm与sac算法的路径规划方法及*** | |
| CN111016901A (zh) | 基于深度学习的智能驾驶决策方法及*** | |
| Mukherjee et al. | Interacting vehicle trajectory prediction with convolutional recurrent neural networks | |
| US20240092385A1 (en) | Driving Policy Determining Method and Apparatus, Device, and Vehicle | |
| CN114620059B (zh) | 一种自动驾驶方法及其***、计算机可读存储介质 | |
| CN117553798A (zh) | 复杂人群场景中移动机器人的安全导航方法、设备及介质 | |
| CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
| Dangskul et al. | Real-time control using convolution neural network for self-driving cars | |
| CN117104310A (zh) | 基于数据驱动预测控制的虚拟编组控制方法及*** | |
| CN116520890A (zh) | 一种可三维全息巡视的无人机控制平台 | |
| Rezaei et al. | A deep learning-based approach for vehicle motion prediction in autonomous driving | |
| CN114326821B (zh) | 基于深度强化学习的无人机自主避障***及方法 | |
| Abbas et al. | Autonomous canal following by a micro-aerial vehicle using deep cnn | |
| CN110316185A (zh) | 车辆速度的控制方法、装置、设备及可读存储介质 | |
| Ren et al. | Intelligent path planning and obstacle avoidance algorithms for autonomous vehicles based on enhanced rrt algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240328 Address after: Building 3, 7th Floor, Gaosheng Plaza, No. 163 Yingbin Avenue, Xinhua Street, Huadu District, Guangzhou City, Guangdong Province, 510802 Patentee after: Guangzhou Carl Power Technology Co.,Ltd. Country or region after: China Address before: 518118 No.1, Jinlong Avenue, pinghuan community, Malian street, Pingshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Shuxiang Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: No. 1 Wulanmulun East Street, Kangbashi District, Ordos City, Inner Mongolia Autonomous Region, 017010 Patentee after: Ordos Kal Power Technology Co.,Ltd. Country or region after: China Address before: Building 3, 7th Floor, Gaosheng Plaza, No. 163 Yingbin Avenue, Xinhua Street, Huadu District, Guangzhou City, Guangdong Province, 510802 Patentee before: Guangzhou Carl Power Technology Co.,Ltd. Country or region before: China |